XML文檔的理想語言分析Python的特點

在許多情況下，Python 是使用 XML 文檔的理想語言。像 Perl、REBOL、REXX 和 TCL 一樣，它是一種靈活的 腳本語言 ，並且有強大的文本操作能力。而且，除了對多數類型的文本文件（或流文件）編碼外，XML 文檔還編碼大量復雜的數據結構。 繼續在 Python 2.0 中
　　在許多情況下，Python 是使用 XML 文檔的理想語言。像 Perl、REBOL、REXX 和 TCL 一樣，它是一種靈活的腳本語言，並且有強大的文本操作能力。而且，除了對多數類型的文本文件（或流文件）編碼外，XML 文檔還編碼大量復雜的數據結構。
　　
　　繼續在 Python 2.0 中對 XML 的支持
　　文本處理中常見的“讀取幾行，並將它們與一些規則表達式比較”樣式通常不能很好地適合對 XML 進行徹底語法分析和處理。幸好，Python（與大多數其它語言相比）不僅有處理復雜數據結構的直接方法（通常使用類和屬性），還有一系列 XML 相關的模塊可以幫助語法分析、處理和生成 XML。
　　
　　XML-SIG （專門興趣組）的成員為維護 Python 一系列 XML 工具做了許多工作。與其它 Python 專門興趣組一樣，XML-SIG 要維護郵件發送列表、列表檔案、有用的參考大全、文檔、標准包和其它資源（請參閱本文後的參考資料）。
　　
　　從 Python 2.0 開始，Python 在其標准發行版中包括大多數 XML-SIG 項目。最新的 XML-SIG 包可能包含一些 Python 標准發行版中沒有的“極端先進”特性，但出於面向絕大多數人的目的 -- 包括本文中的討論 -- Python 2.0 的 XML 支持將是您感興趣的。幸運的是，早期 Python 版本對 xmllib 的基本支持在 Python 2.0+ 下有了很大進步。目前，Python 用戶能正常的選擇 DOM、SAX 和 expat 技術來處理 XML （使用其他編程語言的 XML 開發人員將會意識到這些）。
　　
　　模塊：xmllib
　　xmllib 是一個非驗證的低級語法分析器。應用程序員使用的 xmllib 可以覆蓋 XMLParser 類，並提供處理文檔元素（如特定或類屬標記，或字符實體）的方法。從 Python 1.5x 到 Python 2.0+ 以來，xmllib 的使用方法並沒變化；在絕大多數情況下更好的選擇是使用 SAX 技術，它也是種面向流的技術，對語言和開發者來說更為標准。
　　
　　本文中的示例與原來專欄中的相同：包括一個叫做 quotations.dtd 的 DTD 以及這個 DTD 的文檔 sample.xml （請參閱參考資料，以獲取本文中提到的文件的檔案）。以下的代碼顯示了 sample.xml 中每段引言的前幾行，並生成了非常簡單的未知標記和實體的 ASCII 指示符。經過分析的文本作為連續流來處理，所使用的任何累加器都由程序員負責（如標記中的字符串 (#PCDATA)，或所遇到的標記的列表或詞典）。
　　
　　清單 1: try_xmllib.py
　　
　　import xmllib, string
　　
　　classQuotationParser(xmllib.XMLParser):
　　　　"""Crude xmllib extractor for quotations.dtd document"""
　　　　def__init__(self):
　　　　　　xmllib.XMLParser.__init__(self)
　　　　　　self.thisquote = '　　　　　　 # quotation aclearcase/" target="_blank" >ccumulator
　　　　defhandle_data(self, data):
　　　　　　self.thisquote = self.thisquote + data
　　　　defsyntax_error(self, message):
　　　　　　pass
　　　　defstart_quotations(self, attrs):　# top level tag
　　　　　　print '--- Begin Document ---'
　　　　defstart_quotation(self, attrs):
　　　　　　print 'QUOTATION:'
　　　　defend_quotation(self):
　　　　　　print string.join(string.split(self.thisquote[:230]))+'...',
　　　　　　print '('+str(len(self.thisquote))+' bytes)'
　　　　　　self.thisquote = '
　　　　defunknown_starttag(self, tag, attrs):
　　　　　　self.thisquote = self.thisquote + '{'
　　　　defunknown_endtag(self, tag):
　　　　　　self.thisquote = self.thisquote + '}'
　　　　defunknown_charref(self, ref):
　　　　　　self.thisquote = self.thisquote + '?'
　　　　defunknown_entityref(self, ref):
　　　　　　self.thisquote = self.thisquote + '#'
　　
　　if __name__ == '__main__':
　　　　parser = QuotationParser()
　　　　for c in open("sample.xml").read():
　　　　　　parser.feed(c)
　　　　parser.close()
　　
　　驗證
　　您可能需要展望標准 XML 支持的未來的原因是，在進行語法分析的同時需要進行驗證。不幸的是，標准 Python 2.0 XML 包並不包括驗證型語法分析器。
　　
　　xmlproc 是 python 原有的語法分析器，它執行幾乎完整的驗證。如果需要驗證型語法分析器， xmlproc 是 Python 當前唯一的選擇。而且，xmlproc 提供其它語法分析器所不具備的各種高級和測試接口。
　　
　　選擇一種語法分析器
　　如果決定使用 XML 的簡單 API (SAX) -- 它應該用於復雜的事物，因為其它大部分工具都是在它的基礎上建立的 -- 將為您完成許多語法分析器的分類工作。xml.sax 模塊包含一個自動選擇“最佳”語法分析器的設施。在標准 Python 2.0 安裝中，唯一能選擇的語法分析器是 expat，它是種 C 語言編寫的快速擴展。然而，也可以在 $PYTHONLIB/xml/parsers 下安裝另一個語法分析器，以備選擇。設置語法分析器很簡單：
　　
　　清單 2: Python 選擇最佳語法分析器的語句
　　
　　import xml.sax
　　parser = xml.sax.make_parser()
　　
　　您還可以通過傳遞參數來選擇特定的語法分析器；但考慮到可移植性 -- 也為了對今後更好的語法分析器的向上兼容性 -- 最佳方法是使用 make_parser() 來完成工作。
　　
　　您可以直接導入 xml.parsers.expat。如果這樣做，您就能獲得 SAX 界面並不提供的一些特殊技巧。這樣，xml.parsers.expat 與 SAX 相比有些“低級”。但 SAX 技術非常標准，對面向流的處理也非常好；大多數情況下 SAX 的級別正合適。通常情況下，由於 make_parser() 函數已經能獲得 expat 提供的性能，因此純速度的差異很小。
　　
　　什麼是 SAX
　　考慮到背景因素，回答什麼是 SAX 的較好答案是：
　　
　　SAX （XML 的簡單 API）是 XML 語法分析器的公用語法分析器接口。它允許應用程序作者編寫使用 XML 語法分析器的應用程序，但是它卻獨立於所使用的語法分析器。（將它看作 XML 的 JDBC。）（Lars Marius Garshol，SAX for Python）
　　SAX -- 如同它提供的語法分析器模塊的 API -- 基本上是一個 XML 文檔的順序處理器。使用它的方法與 xmllib 示例極其相似，但更加抽象。應用程序員將定義一個 handler 類，而不是語法分析器類，該 handler 類能注冊到任何所使用的語法分析器中。必須定義 4 個 SAX 接口（每個接口都有幾個方法）：DocumentHandler、DTDHandler、EntityResolver 和 ErrorHandler。創建語法分析器除非被覆蓋，否則它還連接默認接口。這些代碼執行與 xmllib 示例相同的任務：
　　
　　清單 3: try_sax.py
　　
　　"Simple SAX example, updated for Python 2.0+"
　　import string
　　import xml.sax
　　from xml.sax.handler import *
　　
　　classQuotationHandler(ContentHandler):
　　　　"""Crude extractor for quotations.dtd compliant XML document"""
　　　　def__init__(self):
　　　　　　self.in_quote = 0
　　　　　　self.thisquote = '
　　　　defstartDocument(self):
　　　　　　print '--- Begin Document ---'
　　　　defstartElement(self, name, attrs):
　　　　　　if name == 'quotation':
　　　　　　　　print 'QUOTATION:'
　　　　　　　　self.in_quote = 1
　　　　　　else:
　　　　　　　　self.thisquote = self.thisquote + '{'
　　　　defendElement(self, name):
　　　　　　if name == 'quotation':
　　　　　　　　print string.join(string.split(self.thisquote[:230]))+'...',
　　　　　　　　print '('+str(len(self.thisquote))+' bytes)'
　　　　　　　　self.thisquote = '
　　　　　　　　self.in_quote = 0
　　　　　　else:
　　　　　　　　self.thisquote = self.thisquote + '}'
　　　　defcharacters(self, ch):
　　　　　　if self.in_quote:
　　　　　　　　self.thisquote = self.thisquote + ch
　　
　　if __name__ == '__main__':
　　　　parser = xml.sax.make_parser()
　　　　handler = QuotationHandler()
　　　　parser.setContentHandler(handler)
　　　　parser.parse("sample.xml")
　　
　　與 xmllib 相比，上述示例中要注意兩件小事：.parse() 方法處理整個流或字符串，所以不必為語法分析器創建循環；.parse() 同樣能靈活地接收一個文件名、一個文件對象，或是眾多的類文件對象（一些具有 .read() 方式）。
　　
　　包：DOM
　　DOM 是一種 XML 文檔的高級樹型表示。該模型並非只針對 Python，而是一種普通 XML 模型（請參閱參考資料以獲取進一步信息）。Python 的 DOM 包是基於 SAX 構建的，並且包括在 Python 2.0 的標准 XML 支持裡。由於篇幅所限，沒有將代碼示例加到本文中，但在 XML-SIG 的 "Python/XML HOWTO" 中給出了一個極好的總體描述：
　　
　　文檔對象模型為 XML 文檔指定了樹型表示。頂級文檔實例是樹的根，它只有一個子代，即頂級元素實例；這個元素有表示內容和子元素的子節點，他們也可以有子代，以此類推。定義的函數允許隨意遍歷結果樹，訪問元素和屬性值，插入和刪除節點，以及將樹轉換回 XML。
　　
　　DOM 可以用於修改 XML 文檔，因為可以創建一棵 DOM 樹，通過添加新節點和來回移動子樹來修改這棵樹，然後生成一個新的 XML 文檔作為輸出。您也可以自己構造一棵 DOM 樹，然後將它轉換成 XML；用這種方法生成 XML 輸出比僅將 <tag1>...</tag1> 寫入文件的方法更靈活。
　　
　　使用 xml.dom 模塊的語法與早期的文章相比有了一些變動。Python 2.0 中自帶的 DOM 實現被稱為 xml.dom.minidom，並提供輕量級和小型版本的 DOM。顯然，完整的 XML-SIG 的 DOM 中有些試驗性的特性並未被放入 xml.dom.minidom 中，但大家並不會注意到這一點。
　　
　　生成 DOM 對象很簡單；只需：
　　
　　清單 4: 在 XML 文件中創建 Python DOM 對象
　　
　　from xml.dom.minidom import parse, parseString
　　dom1 = parse('mydata.xml') # parse an XML file by name
　　
　　使用 DOM 對象是種非常直接的 OOP 模式的工作。然而，經常在無法立刻簡單區分的層級（除了循環列舉）中碰到許多類似清單的屬性。例如，以下是一段普通的 DOM Python 代碼片斷：
　　
　　清單 5: 通過 Python DOM 節點對象的迭代
　　
　　for node in dom_node.childNodes:
　　　　if node.nodeName == '#text':　　　# PCDATA is a kind of node,
　　　　　　PCDATA = node.nodeValue　　　 # but not a new subtag
　　　　elif node.nodeName == 'spam':
　　　　　　spam_node_list.append(node) # Create list of <spam> nodes
　　
　　Python 標准說明文檔中有一些更詳細的 DOM 示例。我的早期文章中有關使用 DOM 對象的示例（請參閱參考資料）指出的方向仍然是正確的，但是文章發布後至今，一些方法和屬性名稱以更改，因此請查閱一下 Python 的說明文檔。
　　
　　模塊： pyxie
　　pyxie 模塊是在 Python 標准 XML 支持之上構建的，它為 XML 文檔提供了附加的高級接口。pyxie 將完成兩項基本操作：它將 XML 文檔轉換成一種更易於進行語法分析的基於行的格式；並且它提供了將 XML 文檔當作可操作樹處理的方法。pyxie 所使用的基於行的 PYX 格式是不受語言限制的，其工具適用於幾種語言。總之，文檔的 PYX 表示與其 XML 表示相比，更易於使用常見的基於行的文本處理工具進行處理，如 grep、sed、awk、bash、perl，或標准 python 模塊，如 string 和 re。根據結果，從 XML 轉換到 PYX 可能節省許多工作。
　　
　　pyxie 將 XML 文檔當作樹處理的概念與 DOM 中的思路相似。由於 DOM 標准得到許多編程語言的廣泛支持，那麼如果 XML 文檔的樹型表示是必需的，大多數程序員會使用 DOM 標准而非 pyxie。
　　
　　更多模塊：xml_pickle 和 xml_objectify
　　我自行開發了處理 XML 的高級模塊，稱為 xml_pickle 和 xml_objectify。我還在其它地方寫過許多類似模塊（請參閱參考資料），在此不必做過多的介紹。當你“用 Python 思考”而不是“用 XML 思考”時，這些模塊非常有用。特別是 xml_objectify 自身對程序員隱藏了幾乎所有的 XML 線索，使您在程序中充分使用 Python “原始”對象。實際的 XML 數據格式幾乎被抽象得不可見。同樣，xml_pickle 使 Python 程序員以“原始” Python 對象開始，該對象的數據可以來源於任何源代碼，然後把它們（連續地）放入其他用戶以後可能需要的 XML 格式。